基于概率分布的动态矩阵演化算法

传统演化算法通常以宏观层面的种群之间或个体之间的相互作用来进行协同演化,较少考虑个体基因编码在微观层面进行局部优化时的相互作用。针对该情况,提出基于种群基因分布结构的动态矩阵演化算法。利用二进制基因矩阵的方式构建种群个体,结合基因编码差异及适应度评价种群个体,通过对比种群基因列决定个体基因结构调整的位置,并根据优势种群的基因结构产生下一代个体,通过微观层面上基因位之间的协同作用引导种群的演化。实验结果表明,该算法对于中、高维函数均表现出良好的优化性能,同时能较好地平衡宏观全局优化和微观局部优化之间的关系。     

基于类神经网络模型的电路演化实现方法

为解决目前数字型演化硬件研究中存在的电路编码困难问题,提出一个可用矩阵形式描述组合电路的类神经网络门级电路模型,讨论在此模型上进行电路编码的具体方法.根据编码矩阵特点,对标准遗传算法进行改进,设计遗传操作算子、适应度评估方法等.通过无刷直流电动机电子换相电路的成功演化实例,验证了采用矩阵编码和改进遗传算法实现数字电路演...     

网构软件可信性演化评估分层Petri网模型

对网构软件系统初始化及系统演化时实体间信任关系的建立、演化和评估问题进行了研究。通过结构分析,建立了网构软件系统结构模型,并给出了基于分层Petri网的评估模型;从系统整体组成结构与各实体内部访问控制策略两方面,对网构软件演化过程中的可信性演化情况进行了评估;解决了原有基于信任度量的模型对系统初始化及新建立实体可信性支持不足的问题,并提供了服务实体对客户实体的反向信任机制。     

面向离散优化问题的量子协同演化算法

为解决现有离散优化算法在有限时间内容易出现过早收敛或难以收敛的问题,提出了面向离散优化问题的量子协同演化算法。该算法通过种群初始化策略构建分布均匀的初始种群,并改进粒子群和单点优化算法成为具有不同搜索能力的协同演化策略,进而利用量子旋转门根据种群个体的进化情况自适应地选择合适的演化策略,最后利用精英保持策略避免种群的退化。在标准离散问题和背包问题的测试环境中,各算法的平均收敛精度和实际收敛情况均表明,已提出的算法能够在有限时间内,收敛到精度较高的解,可用于求解具有时效要求的离散优化问题。     

用函数型可编程器件实现演化硬件

演化硬件通过演化的方法实现电路的功能，可看作是演化算法和可编程逻辑器件的有机结合，目前所面临的问题是化速度太慢，要解决此问题必须从算法和器件结构入手，本文提出函数型（树型结构函数）可编程器件作为演化硬件的结构提高了编码效率，加快了演化速度，实现了ＧＡＬ作为演化硬件结构不能实现的四位比较器。     

基于FPGA的数字电路进化设计与实现

针对目前演化硬件研究中的关键问题:电路的数学表示方法、遗传算法和快速重构硬件平台,文章建立了一个用于描述数字电路的电路网络演化模型;设计了矩阵组编码算子,改进了精英保留策略;最后基于虚拟可重构技术在FPGA中建立了一个适于演化操作的硬件平台,实现了数字电路的内部进化;实验结果验证了该模型的可行性与有效性,采用的矩阵组编码算子在(8,8,8,4)演化区域内显著提高了电路演化的速度,为演化硬件的进一步发展了提供新的方法。     

基于演化周期的惩罚策略

遗传归纳逻辑程序设计(GILP)的个体编码生长现象严重影响了算法的性能和规则的可读性。但从初始种群开始添加长度惩罚项来解决个体编码生长问题时,种群会出现退化现象。而采取在演化的初期不添加惩罚项,在种群的性状有了明显改善后再添加惩罚的策略,既可避免种群退化,又可有效解决个体编码生长问题。     

基于多目标遗传算法的单指令集异构多核系统静态任务调度

与同构多核处理器相比,单指令集异构多核处理器能够更好的匹配程序行为的多样性,从而具有更好的性能功耗比.异构多核处理器的能效优势依赖于操作系统合理而有效的调度,追求性能与功耗的统一,是典型的多目标优化问题.提出将多目标优化遗传算法应用于寻找异构多核环境下最优的静态任务调度方案,提出表征任务相对顺序的染色体编码结构,使种群初始化时的有效个体所占比例变为100%.提出使用先序关系矩阵来确定任务的执行顺序,克服了高度值方法存在的严重不足.仿真结果表明,先序关系矩阵方法能扩大搜索范围,在种群规模足够大时,可以找到高度值方法漏掉的部分最优解.     

遗传归纳逻辑程序设计的个体编码生长现象

遗传归纳逻辑程序设计(GILP)的个体编码生长现象严重影响了算法的性能和规则的可读性．通过对变长编码的模式分析，解释了GILP的个体编码生长现象．并发现，若从初始种群开始添加长度惩罚项来解决个体编码生长问题，种群会出现退化现象．而采取在演化的初期不添加惩罚项，在种群的性状有了明显改善后再添加惩罚的策略，既可避免种群退化，又可有效解决个体编码生长问题．     

解决移动计算位置管理问题的差分进化算法

提出了一种解决位置管理问题的差分进化算法,给出了一种将采用浮点编码的种群个体映射为问题解的方法、基于问题特性的种群初始化启发式方法,以及早熟收敛问题的解决策略.基于随机生成的数据对算法进行了模拟实验,将该算法的结果与遗传算法、禁忌搜索算法及蚁群算法进行了对比.     

基于改进遗传算法智能组卷的研究

组卷问题是解决在一个多约束条件下的多目标参数优化的问题,在研究组卷数学模型的基础上,对遗传算法进行了改进,通过对染色体分段编码、确定适应度函数、分段初始化种群、交叉概率和变异概率的自适应调整及最优个体保存策略措施,实现了智能组卷。通过实验数据测试结果表明,改进遗传算法比简单遗传算法能更好地完成组卷,有更高地组卷效率,有较好地实用性。     

基于离散灰狼算法的喷涂机器人路径规划方法

针对目前用于复杂结构实体喷涂的机器人路径规划方法存在的效率低、未考虑碰撞以及适用性差等问题,提出一种用于求解多层决策问题的离散灰狼算法,并把该算法用于该路径规划问题的求解。为了将连续域灰狼算法改为用于求解多层决策问题的离散灰狼算法,采用矩阵编码方法解决多层决策问题的编码问题,提出基于先验知识与随机选择的混合初始化方法提高算法求解效率和精度,运用交叉算子与两级变异算子定义离散域灰狼算法的种群更新策略。另外,运用图论将喷涂机器人路径规划问题简化为广义旅行商问题,并建立了该问题的最短路径模型和路径碰撞模型。在路径规划实验中,相较于粒子群算法、遗传算法和蚁群算法,提出的算法规划的平均路径长度分别减小了5.0%、5.5%和6.6%,碰撞次数降低为0,且路径更平滑。实验结果表明,提出的算法能够有效提高喷涂机器人的喷涂效率,以及喷涂路径的安全性和适用性。     

基于离散灰狼算法的喷涂机器人路径规划方法

针对目前用于复杂结构实体喷涂的机器人路径规划方法存在的效率低、未考虑碰撞以及适用性差等问题，提出一种用于求解多层决策问题的离散灰狼算法，并把该算法用于该路径规划问题的求解。为了将连续域灰狼算法改为用于求解多层决策问题的离散灰狼算法，采用矩阵编码方法解决多层决策问题的编码问题，提出基于先验知识与随机选择的混合初始化方法提高算法求解效率和精度，运用交叉算子与两级变异算子定义离散域灰狼算法的种群更新策略。另外，运用图论将喷涂机器人路径规划问题简化为广义旅行商问题，并建立了该问题的最短路径模型和路径碰撞模型。在路径规划实验中，相较于粒子群算法、遗传算法和蚁群算法，提出的算法规划的平均路径长度分别减小了5.0%、5.5%和6.6%，碰撞次数降低为0，且路径更平滑。实验结果表明，提出的算法能够有效提高喷涂机器人的喷涂效率，以及喷涂路径的安全性和适用性。     

自然进化策略的特征选择算法研究

特征选择是一种NP-难问题,旨在剔除数据集中不相关及冗余的特征来减少模型训练的时间,提高模型的精确度.因此,特征选择在机器学习、数据挖掘和模式识别等领域中是一种重要的数据预处理手段.提出一种新的基于自然进化策略的特征选择算法——MCC-NES.首先,算法采用了基于对角协方差矩阵建模并通过梯度信息自适应调整参数的自然进化策略;其次,为了使算法有效地处理特征选择问题,在初始化阶段引入了一种特征编码方式;之后,结合分类准确率和维度缩减给出了算法的适应度函数;此外,面对高维数据引入了合作协同进化的思想,将原问题分解为相对较小的子问题并分别对每个子问题独立求解,然后,通过所有子问题相互联系来优化原问题的解决方案;进一步引入分布式种群进化的概念,实现多个种群竞争进化来增加算法的探索能力,并设计了种群重启策略以防止种群陷入局部最优解.最后将提出的算法与几种传统的特征选择算法在一些UCI公共数据集上进行对比实验,实验结果显示：所提出的算法可以有效地完成特征选择问题,并且与经典特征选择算法相比有一定的竞争力,尤其是在处理高维数据时有着出色的表现.     

基于稀疏表示的信号DOA估计

将信号DOA的估计问题转换为一个联合稀疏表示的求解问题.通过对接收数据矩阵的奇异值分解实现各时间和频率快拍数据的联合;然后通过求解一个平滑l0范数稀疏约束的联合优化问题实现信号源DOA的估计.基于稀疏表示的信号DOA估计方法不仅能够有效地减少数据量,而且具有以下优点:更好的抗噪声性能、更高的计算效率、适用于相关和非相关信号.通过与其他DOA估计方法的比较,表明了该方法的有效性和优越性.     

求解柔性作业车间调度问题的两段式狼群算法

针对以最小化最大完工时间为目标函数的柔性作业车间调度问题,建立其数学模型并提出了一种两段式狼群算法加以求解。采用两段式（two-vector code）的编码方式,设计初始化种群的方式,保证初始解的质量及多样性;通过对原始狼群算法中游走行为、召唤行为、围攻行为的重新设计,解决了原始狼群算法易陷入局部最优的问题;舍弃原始狼群算法中的距离判定因子,来降低算法的复杂度。对车间两个实例进行仿真测试和算法比较,验证了所提算法求解该问题的有效性,为其解决柔性作业车间调度问题提供了一种更加有效的方法。     

A hybrid discrete particle swarm optimization for dual-resource constrained job shop scheduling with resource flexibility

In this paper, a novel hybrid discrete particle swarm optimization algorithm is proposed to solve the dual-resource constrained job shop scheduling problem with resource flexibility. Particles are represented based on a three-dimension chromosome coding scheme of operation sequence and resources allocation. Firstly, a mixed population initialization method is used for the particles. Then a discrete particle swarm optimization is designed as the global search process by taking the dual-resources feature into account. Moreover, an improved simulated annealing with variable neighborhoods structure is introduced to improve the local searching ability for the proposed algorithm. Finally, experimental results are given to show the effectiveness of the proposed algorithm.     

AGENT-BASED APPROACH TO THE DESIGN OF RBF NETWORKS

This article proposes a novel approach to the radial basis function network (RBFN) design. Its main idea is to apply the agent-based population learning algorithm to the task of initialization and training RBFNs. The approach allows for an effective network initialization and estimation of its output weights. The initialization involves two stages, where in the first one initial clusters are produced using the similarity-based procedure and next, in the second stage, prototypes (centroids) from the thus-obtained clusters are selected. The agent-based population learning algorithm is used to select prototypes. In the proposed implementation of the algorithm, both tasks—RBFN initialization and RBFN training—are carried out by a team of agents executing various local search procedures and cooperating with a view to determine the solution to the RBFN design problem at hand. The performance of the RBFN constructed using the proposed agent-based approach is analyzed and evaluated. The proposed approach is also compared with different RBFN initialization and training procedures in the literature.     

解决移动计算位置管理的离散差分进化算法

位置管理问题是移动计算环境中的一个重要问题。提出了一种解决位置管理问题的离散差分进化算法,给出了种群的离散编码方法和一种新的变异操作机制,提出了基于问题特性的种群初始化启发式方法,以及早熟收敛问题的解决策略。基于随机生成的数据对算法进行了模拟实验,将该算法的结果与遗传算法、禁忌搜索算法及蚁群算法进行了对比。